Root-KGD: A Novel Framework for Root Cause Diagnosis Based on Knowledge Graph and Industrial Data

随着智能制造的发展和工业生产的日益复杂化，根本原因诊断逐渐成为工业故障诊断领域的重要研究方向。然而，现有的研究方法难以有效地将领域知识和工业数据结合起来，无法为工业过程提供准确、在线和可靠的根本原因诊断结果。为了解决这些问题，提出了一种基于知识图谱和工业数据的新型故障根本原因诊断框架，称为Root-KGD。Root-KGD使用知识图谱来表示领域知识，并采用数据驱动建模从工业数据中提取故障特征。然后，它结合知识图谱和数据特征进行知识图谱推理，以进行根本原因识别。提出的方法在两个工业过程案例中，即Tennessee Eastman Process（TEP）和Multiphase Flow Facility（MFF）中得到验证。与现有方法相比，Root-KGD不仅提供更准确的根本原因变量诊断结果，还通过在知识图谱中定位故障到相应的物理实体（如设备和流）来提供可解释的故障相关信息。此外，结合其轻量级的特性，Root-KGD在在线工业应用中更加有效。

该论文试图解决工业故障诊断中根本原因诊断的问题，现有的方法难以有效地结合领域知识和工业数据，无法为工业过程提供准确、在线和可靠的根本原因诊断结果。

该论文提出了一种基于知识图谱和工业数据的故障根本原因诊断框架，利用知识图谱表示领域知识，采用数据驱动建模从工业数据中提取故障特征，然后将知识图谱和数据特征相结合，进行知识图谱推理以识别根本原因。

该方法在两个工业过程案例（Tennessee Eastman Process和Multiphase Flow Facility）中进行了验证，相比现有方法，该方法不仅提供更准确的根本原因变量诊断结果，而且通过将故障定位到知识图谱中对应的物理实体（如设备和流）来提供可解释的故障相关信息。此外，结合其轻量级特性，Root-KGD在在线工业应用中更加有效。

在这个领域中，最近的相关研究包括：1.基于深度学习的故障诊断方法；2.基于传统统计学方法的故障诊断方法；3.基于知识图谱的故障诊断方法。